异质信息网络嵌入学习推荐与兴趣点预测

这是一篇关于推荐系统,异质信息网络,网络嵌入,共享特征,重要性度量因子,兴趣点推荐的论文, 主要内容为在信息过滤系统应用领域,推荐系统作为主要研究方向之一,在改善用户感受和提高公司效率等方面发挥了日益巨大的功能。主流的商业推荐主要采用了矩阵分解模式和深度学习模式,基于记忆网络和集成学习等的商业推广方式也成为近几年的热门应用。诸多领域都广泛存在着异构信息,详细的刻画了不同主体间的复杂联系,而异构信息网络(HIN)作为现代大型商业推荐系统中涉及到异构数据类型的一种自然且常见的数据表示形式,能帮助有效挖掘数据中隐藏的模式、规律,为个性化推荐系统开辟了新方向。现有推荐系统存在的问题主要为:推荐结构相似,难以表示高级语义以及融合异构信息提出推荐、应用与推荐的做法大部分遵从了节点关联连接路线的相似,难以获得隐藏在用户和项目内的结构信息,兴趣点推荐结果不符合当前位置信息。本文通过对相关算法研究,主要贡献如下:1)考虑到推荐结果存在大部分的相似类型短板是因为过度依靠了相似性或强连接,在弱关系的层面上研究给出了异质社交网络推荐算法。首先,设定一个最低值作为用户间的信任下限,去掉小于该值的节点连接;其次,建立包含用户-用户、项目-项目、用户-项目三种类型关系的全关系异质信息网络(UI-HIN);最后,给出了最佳信任路径选择算法(BTP)从UI-HIN路径进行挑选,确保在项目的针对性层面以及项目类型的多样层面基础上得到让用户意想不到的惊喜项目。2)针对如何融合异质数据复杂语义信息辅助推荐,解决数据稀疏造成的冷启动问题,构建了一种异质信息网络高阶嵌入学习框架。首先,采用BTP算法构建全关系异质信息网络,并定义了基于多头图注意力的多任务共享特征重要性度量因子,筛选出节点的语义信息,结合交互结构,有效地表征网络节点;其次利用异质信息网络的层级传播机制,将被采样节点的特征聚合到待预测节点;最后,给出了一种面向高阶信息表达模型的影响力推荐算法,实现推荐。有效地改善了评级预测的准确性,以及推荐生成的针对性、新颖性和多样性,尤其是在数据稀疏的应用场景中,具有良好的推荐效果。3)针对用户签到数据在时间和空间上的稀疏性导致推荐结果趋于同质和因地点切换而不符合当前需要的问题,一方面利用异质信息网络高阶嵌入学习框架,计算兴趣点--地理社会属性距离;另一方面,建立时间尺度上的用户偏好活动范围预测模型,在此基础上再建立包含兴趣点地理位置、周边、消费水平、代表项目、评论热度等信息的兴趣点--地理自然属性模型。最后,结合兴趣点-地理社会和自然属性在保证兴趣点类型的基础上针对用户的实际位置进行推荐。4)基于异质信息网络高阶嵌入学习框架设计实现了个性化电影推荐系统。按照每个用户所处的社交网络给其定制所需的电影列表,用户可以自行搜索也可以由系统分析生成推荐,并且在该系统中,还实现了基于不同算法的推荐,并进行了效果评估;另外,用户能把与自己原本或者目标兴趣相似的用户作为系统好友,系统也会按照用户特征为其推荐,从而扩大推荐的选择范围,避免推荐重复、单一。

基于异构网络嵌入的兴趣点推荐算法研究

这是一篇关于基于位置的社交网络,兴趣点推荐,异构网络嵌入,多信息融合的论文, 主要内容为兴趣点推荐作为解决基于位置社交网络(Location-Based Social Network,LBSN)中信息过载的有效方法,其推荐的精准度和模型的健壮性直接影响着用户对推荐系统的信任,因此兴趣点推荐具有重要的研究意义。为了有效地缓解数据稀疏性,诸多研究学者将时间因素、地理距离、兴趣点流行度等多方面签到行为信息融合,但这些研究很少涉及到季节相关信息。同时用户的兴趣不仅受到自身行为的影响,而且在一定程度上受到周围朋友的影响,然而,现有研究很少关注用户社交关系与签到行为信息对兴趣点推荐的共同影响。针对上述问题,本文在用户签到行为信息中融入了季节信息,并且将用户签到行为信息与用户社交关系相结合,对兴趣点推荐展开了深入研究。首先,针对签到行为信息对兴趣点推荐的影响,以及因忽略季节因素而影响个性化推荐的问题,本文提出基于多重异构网络嵌入的兴趣点推荐算法。该算法根据签到季节划分网络层次,联合空间信息、兴趣点的流行度、用户对兴趣点的季节喜爱度等影响因素自定义加权策略,构建多信息融合的多重加权异构网络;自定义元路径并随机游走生成节点序列,利用自注意力机制捕捉不同网络层次中季节对各节点的影响力,并通过异质Skip-Gram模型获取特征向量表示;从而通过用户对兴趣点的偏好度分数排名推荐兴趣点。其次,为了结合用户社交关系与签到行为信息对兴趣点推荐的共同影响,提高推荐算法的稳定性,本文提出一种加权异构网络嵌入的兴趣点推荐算法。该算法根据用户社交关系与签到行为信息,挖掘用户、地点、时间之间的关联关系,构建多信息融合的加权异构网络;根据随机生成的元路径保留不同类型节点间的关联信息,在元路径上采用有偏游走生成节点序列,通过异质Skip-Gram模型获取特征向量表示;从而根据获得的特征向量为用户推荐兴趣点。最后,将本文提出的算法在Foursquare数据集和Gowalla数据集中进行实验验证,并与现有兴趣点推荐算法进行对比分析,通过对比算法的准确率和召回率验证本文算法的有效性。

基于位置社交网络中融合上下文信息的兴趣点推荐算法研究

这是一篇关于兴趣点推荐,加权矩阵分解,上下文信息,隐私保护的论文, 主要内容为随着互联网的普及,电子产品的功能也更加全面,现实生活中人人都有自己的电子产品并且利用电子产品分享自己的生活,可以看到人们越来越离不开互联网。基于位置的社交网络(Location based Social Networks,LBSN)中的兴趣点(Point of interest,POI)推荐算法使人们能够找到更符合他们喜好的位置,满足他们在生活中的不同需求。然而,因为用户历史签到数据是稀疏的且很难判断用户对POIs的喜欢情况,难点在于如何在隐式数据中推断用户的个人喜好。同时,使用推荐系统进行推荐时涉及到的上下文信息包含了用户去过的历史位置、访问的频率、社会关系等个人信息,推荐质量的高低取决于用户提供的信息是否多样,一旦第三方攻击推荐系统容易获取到用户的个人隐私。本文主要研究兴趣点推荐算法和具有隐私保护的兴趣点推荐。为了提升POI推荐的质量有更合理的推荐策略,本文提出一种基于上下文信息的改进加权矩阵分解兴趣点推荐算法(An improved context-aware weighted matrix factorization algorithm for POI recommendation,ICWMF)。它利用时间因素、社会关系和地理信息来获取用户对未访问位置的偏好,主要包括:(1)利用艾宾浩斯遗忘曲线对时间因素进行建模,模拟用户偏好因时间而做出的改变;(2)为了给未访问的POIs分配动态权重并推断用户偏好,通过社会关系和从用户角度建模地理信息来构建隐反馈项;(3)利用高斯模型构建邻近位置关系矩阵来定义用户发现位置的概率,然后将其作为正则化项,以避免过拟合;(4)利用所设计的隐反馈项合理地挖掘隐式数据中的偏好来对未观测值分配动态权重,结合正则化项改进加权矩阵分解的目标函数实现兴趣点推荐,并在Brightkite和Gowalla数据集上进行实验,结果表明ICWMF的表现优于其他方法。为了避免推荐系统受到攻击时暴露用户的信息,本文提出融合隐私保护和社会地理信息的协同过滤兴趣点推荐算法(A POI recommendation method integrating privacy-preserving and social geographical information based collaborative filtering algorithm,PPSGCF):(1)考虑用户偏好、社会关系和地理信息三方面因素,提出融合社会地理信息和协同过滤的兴趣点推荐;(2)使用差分隐私方法向好友之间的相似度添加一定量拉普拉斯噪声进行扰动保护用户的社会关系;(3)从区域角度和位置角度两方面设计一种基于不同隐私预算分配权重的拉普拉斯加噪方法,实现位置信息保护;(4)将添加噪声的好友关系和位置信息纳入到融合社会地理信息和协同过滤的兴趣点推荐算法中,实现具有隐私保护的兴趣点推荐算法PPSGCF,并在Brightkite和Gowalla数据集上进行模拟实验。所有实验表明,本文所提方法相比于其他算法在推荐过程中可以更有效地防止用户个人信息泄露。

基于时空轨迹的用户出行兴趣点推荐算法研究

这是一篇关于时空轨迹,位置社交网路,推荐算法,兴趣点推荐,影响因素的论文, 主要内容为随着大数据技术的发展与应用,各式推荐系统已经成为大数据研究领域里的一个非常重要的研究方向。随着智能手机和GPS功能的普及以及基于位置社交网络的蓬勃发展,基于用户签到行为的兴趣点(Point-Of-Interest)推荐成为了一个重要的研究方向和热点,兴趣点推荐能帮助我们推荐出特别有趣的并且非常引人注意的地理位置信息,特别是当人们在境外旅游或者外地出差旅行的情况下,这个时候用户签到数据是具有十分明显的稀疏性特性,从而给兴趣点的推荐引来了非常困难的麻烦,为了解决这种用户签到数据稀疏性特性的问题,融合地理信息因素影响、时间影响因素、用户社交关系因素、兴趣点内容信息和兴趣点的流行度因素的影响等方面的影响因素,从而增加兴趣POI推荐算法的准确度。但是,当前的研究没有能够综合上面所有影响因素共同作用的推荐算法,用来处理兴趣点的数据稀疏性特性问题,尤其是在国外或者其它城市推荐下容易被当前大多数的研究所忽视。本文作者将以时空轨迹影响因素提出混合推荐模型,为了解决兴趣点推荐算法中存在的稀疏性问题、冷启动问题以及缺少解释性等问题,同时为了满足在不相同的时空轨迹条件情况下为用户推荐出最准确的兴趣点的需求。本文作者将提出基于元路径语义模型条件下的Topk混合兴趣点推荐算法。论文实验采用Foursquare数据集来评测所提出的算法方案。通过本文提出的基于时空轨迹的用户出行兴趣点推荐模型框架可以更好地融合空间与时间特性,非常精确地挖掘和表现出用户的行为偏好特征。相比于其它不考虑时间和空间影响因素或者只是关注单一影响因素的推荐算法,在推荐结果的准确性和推荐性能上面有十分显著的提升,特别是在融合了时间影响因素和空间地理信息影响因素的条件下,通过实验的论证,获取了较优的性能。

知识图谱驱动下区域敏感的兴趣点推荐技术研究与实现

这是一篇关于兴趣点推荐,知识图谱,语义相关性,空间语义图,区域敏感的论文, 主要内容为随着移动互联网快速发展,以大众点评、Yelp等为代表的位置信息服务应用日益普及,用户通过签到、评论等行为分享他们喜爱的兴趣点,以记录所见所闻、旅行足迹。由于兴趣点数据呈指数级别增长,为了帮助用户找寻感兴趣的位置地点,兴趣点推荐技术应运而生。基于兴趣点推荐结果,服务商可以帮助用户快速获取满足喜好的兴趣点,提升用户体验;同时,也可以帮助店铺精准地吸引潜在客户,提高营销收入。相较于电影、音乐等推荐任务,兴趣点推荐任务因其数据稀疏性强、地理相关影响大的特点而面临严峻的挑战。相关研究表明,在推荐模型中融入语义影响(如属性、类型等)、地理影响等因素能够提高兴趣点推荐的性能。然而,目前相关研究在考虑兴趣点语义相关性及地理区域划分粒度等方面仍存在一定不足:一方面,用户通常喜爱类型和属性相似的兴趣点,但是现有研究工作通常将类型作为过滤条件,要求类型精确匹配,未充分挖掘类型相似兴趣点之间的语义相关性。另一方面,现有工作在考虑地理影响时,通常将城市划分为固定大小的区域,但粗粒度划分将影响推荐准确度,而细粒度划分将导致计算开销大、样本稀疏问题,无法适应区域环境动态变化的兴趣点实时推荐场景。为此,本文将知识图谱引入兴趣点推荐以挖掘兴趣点相关性,构建空间语义图并刻画动态区域环境,实现兴趣点实时推荐。本文的具体研究工作主要包括:(1)提出了基于知识图谱语义相关性的兴趣点推荐模型。本文研究利用知识图谱挖掘兴趣点相关性,提出一种基于知识图谱的兴趣点语义特征提取机制,针对兴趣点属性、类型的不同特点,基于图谱表示学习技术和庞加莱球面模型获得隐含兴趣点相关性的语义表示,从而设计兴趣点推荐模型。在真实数据集上验证了提出模型的有效性。(2)提出了面向动态区域的兴趣点实时推荐模型。本文基于兴趣点知识图谱构建空间语义图,并提出了一种基于空间语义图的动态区域特征刻画机制,以自适应地表征不同地理范围的区域环境特征;并建模时序上动态变化的用户长短期兴趣偏好,从而实现面向动态区域的兴趣点实时推荐。在真实数据集上验证了提出算法的有效性。(3)设计与实现了一个基于知识图谱的兴趣点实时推荐原型系统。系统离线部分负责数据的管理以及模型的训练,系统在线部分负责个性化展示满足实时性需求的兴趣点推荐结果。在系统性能上验证了推荐效果的实时性。综上,本文将知识图谱引入兴趣点推荐,通过构建兴趣点知识图谱和空间语义图,实现面向语义相关性和动态区域环境的兴趣点实时推荐,并基于理论研究成果,设计与实现了基于知识图谱的兴趣点实时推荐原型系统。本研究成果将推进知识图谱在城市计算中的应用,为构建兴趣点推荐机制以及相关的本地生活服务应用提供支持。

基于异构信息网络的兴趣点推荐研究

这是一篇关于基于位置的社交网络,兴趣点推荐,异构信息网络,用户签到行为,上下文感知的论文, 主要内容为近年来,随着互联网技术的高速发展和移动设备的日益普及,基于位置的社交网络(Location-Based Social Network,LBSN)服务逐渐兴起。用户通过LBSN服务提供的“签到”行为探索他们喜欢的兴趣点(Point-of-Interest,POI),例如图书馆、餐厅等。个性化兴趣点推荐服务旨在通过签到行为数据来挖掘用户的偏好,帮助用户探索新的兴趣点,以此来提高基于位置的社交网络服务体验。然而,现有的兴趣点推荐系统面临着原始数据稀疏、用户行为缺少负反馈并受多种上下文信息影响等问题。本文针对以上问题展开研究,深入分析用户行为的影响因素,并对两类不同的应用场景提出相应的推荐算法。本文的主要工作体现在如下方面:(1)为了精确捕获用户的行为特征,本文使用异构信息网络(Heterogeneous Information Network,HIN)来建模LBSN中的复杂关系,设计并使用元路径来表示不同的用户行为语义。此外,本文通过分析建模用户签到行为的上下文影响因素来提高兴趣点推荐系统的精度和可解释性。(2)针对一般场景的兴趣点推荐问题,本文提出一种基于用户行为语义的兴趣点推荐算法。该算法首先使用基于元路径的计数关联度构建用户-兴趣点语义关联度矩阵。其次,在加权矩阵分解模型中考虑地理位置距离的影响,从多条元路径产生的用户-兴趣点语义关联度矩阵中获取用户语义偏好。最后,针对用户行为隐式反馈的问题,提出一个基于排序学习的融合方法,将不同元路径求得的用户语义偏好统一起来作为最终偏好来给用户推荐兴趣点。实验结果表明,该算法相较于其它现有的兴趣点推荐算法有更好的推荐效果。(3)针对特定上下文情境下的兴趣点推荐问题,本文提出一种上下文感知的兴趣点推荐算法。该算法首先提出基于元路径的双向影响语义关联度来提取用户行为语义特征,并通过上下文平滑方法缓解数据稀疏问题。其次,基于考虑上下文流行度的加权随机采样方法构建训练样本,并通过因子分解机模型融合不同的特征,进而预测用户偏好。实验结果表明,该算法能有效感知特定上下文情境下的用户行为偏好,从而为用户推荐合适的兴趣点。

基于知识图谱和循环神经网络的兴趣点推荐算法研究

这是一篇关于兴趣点推荐,知识图谱,注意力机制,层传递,循环神经网络的论文, 主要内容为近年来,如何合理地利用用户历史签到信息对用户可能会去的兴趣点进行推荐成为推荐系统方向的热门课题之一。在基于位置社交网络的社交软件中,用户通过发表内容表达其对某地点的喜恶情况,因此历史签到数据可以反映用户的兴趣偏好。基于位置的社交网络产生的用户历史签到数据在总体上是稀疏的,并且缺少新用户的签到记录,这导致在历史记录中挖掘用户的签到偏好变得困难。因此,如何在用户历史签到数据中充分挖掘用户的行为特征以及提高推荐准确性是目前需要解决的问题。为了解决上述问题,本文利用知识图谱和循环神经网络等相关理论展开研究。首先,针对现有的兴趣点推荐算法挖掘用户签到活动中的层次与逻辑信息不充分,以及数据存在稀疏性等问题,本文提出一种基于知识图谱的兴趣点推荐算法。该算法通过建立的LBSNs知识图谱全面利用签到数据集的辅助数据,消减数据稀疏性带来的影响;同时,该算法建立层传递机制,融合注意力机制和层次结构信息,以丰富用户和兴趣点的潜在语义信息,捕获用户签到活动中的逻辑与层次信息;再根据最后的用户偏好表示预测用户可能会访问的兴趣点的Top-K推荐列表。其次,针对已有的兴趣点推荐算法忽略时间空间影响因素,以及挖掘用户签到行为的时间空间特征不充分的问题,本文提出一种基于循环神经网络的兴趣点推荐算法。该算法根据用户签到记录建立用户签到序列,捕获用户签到行为的时空特征;该算法建立基于循环神经网络的编码器-解码器结构,用于捕获用户签到行为的长短期依赖,充分挖掘用户签到行为的时空特征偏好;再利用最后的用户时空特征偏好,获得用户可能会访问的兴趣点的Top-K推荐列表。最后,本文在两个真实的LBSNs数据集上进行实验对比和分析,评估本文所提的两个兴趣点推荐算法在预测用户可能访问的兴趣点列表上的性能。通过对比分析,证明本文所提算法在提高推荐质量上是有效的。

基于注意力机制的POI推荐系统研究

这是一篇关于推荐系统,兴趣点推荐,神经网络,注意力机制,时空信息的论文, 主要内容为在基于位置的社交网络服务(Location-Based Social Network,LBSN)中,人们通过签到的方式发布地理位置信息的同时,也能够使用推荐服务,因此LBSN迅速发展起来。其中兴趣点(Point-of-Interest,POI)推荐作为LBSN中的关键点,引起了广泛的研究。POI推荐通过历史签到序列,分析用户个性化偏好,为用户量身推荐合适的POI。在现实生活中,用户的签到行为通常发生在一个序列中,推荐系统通过用户的历史签到记录,来为用户推荐接下来可能去的POI。但是在用户的历史行为数据中,并不是所有的行为都能够为将来的推荐提供作用,并且能够影响下一步行为的数据权重也是不相同的;而且用户签到序列中的时空间隔信息有可能为用户的下一次行为提供了关键因素,但是现有POI推荐算法没有考虑有效利用用户签到地点之间的时间和空间间隔的信息,不能够准确地表达用户的偏好。针对以上问题,本文进行以下研究:(1)提出了融合注意力的矩阵分解POI推荐算法,在矩阵分解的基础上,增加了用户注意力,以更好地分析用户对不同地点的注意力数值,更准确地获取用户的偏好,从而更精确地进行推荐。其中注意力机制能够为用户签到地点分配不同的权重,有效捕捉用户签到地点之间的关系。在真实数据集上进行实验分析,实验结果表明该模型优于其他对比算法。(2)提出了融合时空网络和自注意力机制的POI序列推荐算法,将用户签到信息之间的时间和空间间隔信息融入门控循环单元网络,然后使用自注意力机制对签到地点分配权重,获得用户的权重序列,最后通过签到地点与候选地点的时间间隔和空间间隔匹配POI,为用户推荐一个包含三个连续地点的POI序列。在真实数据集上进行测试和验证,实验结果表明该模型优于之前提出的先进模型。(3)设计了一款兴趣点推荐系统平台,针对用户不同的需求分别进行功能开发,对需要进行POI序列推荐的用户使用融合时空网络和自注意力机制的POI序列推荐模型进行推荐,对普通POI推荐的用户使用融合注意力的矩阵分解POI推荐模型进行推荐,从而能够精准地对用户进行POI推荐,满足用户的个性化需求。

基于神经网络的兴趣点推荐研究

这是一篇关于推荐系统,兴趣点推荐,神经网络,知识图谱,注意力机制的论文, 主要内容为近年来,得益于移动互联网的不断发展,人们的日常生活以及工作越来越方便。在旅游出行方面,人们可以通过网络来获取相关旅游服务信息。然而随着网上用户的增长,使得互联网的数据急剧增加,用户需要耗费大量时间去查询相关的旅游信息,造成了极大不便。推荐系统可以有效地处理上述存在的“信息过载”问题,为用户提供兴趣点推荐服务。在旅游推荐领域中,传统的兴趣点推荐算法虽然取得了良好的效果,但这些方法比较依赖浅层特征设计,不能全面地学习用户和兴趣点的深层次特征,并且传统推荐模型存在数据稀疏和推荐效率低等问题,会影响推荐的结果。针对上述问题,本文使用基于神经网络的兴趣点推荐来解决这些问题,该方法通过知识图谱和上下文等信息分析用户的偏好来为用户做出兴趣点推荐,进而提高推荐的效率,具体的内容如下:1.针对个性化推荐算法中不能有效地学习用户和景点深层次的特征,在训练的过程中不能有效地训练景点的特征而造成推荐结果不理想的问题,本文提出了一种融合知识图谱和神经网络的旅游景点推荐方法。该模型先是利用知识图谱嵌入技术准确地学习景点特征子图的嵌入表示,然后融合景点特征表示成景点向量,并与用户向量一起输入到神经网络中,进一步挖掘用户和景点交互的深层次的特征表示,使得推荐结果更加准确。通过理论分析和实验结果,证明了该算法的有效性。2.针对兴趣点推荐中存在的旅游数据稀疏,不能很好地区分用户的朋友对用户的偏好的影响,同时忽略了兴趣点隐式特征对用户决策影响的问题,本文提出了基于上下文影响的兴趣点推荐模型。该模型先是利用用户上下文模块分别计算出用户的朋友在兴趣爱好方面和整体熟悉程度上的不同权重,以获得用户的向量表示;其次,通过兴趣点的上下文模块分别计算出地理距离和兴趣点隐式特征信息对游客偏好影响的权重,从而获得兴趣点向量;最后结合用户向量和兴趣点向量来预测出用户未访问过的兴趣点。通过与基线方法比较,证明该算法具有更好的推荐性能。